腾讯首席科学家、Robotics X实验室主任、福田实验室主任张正友

出品｜搜狐科技

作者｜常博硕

2026年的WAIC，人形机器人依旧是全场最热闹的展区，但具身厂商的同质化也愈发明显，形态相近、场景雷同，工业分拣、导览讲解成了最常见的演示。

热闹之下，在企业侧也出现了分化。多数机器人初创企业仍坚持软硬一体，越来越多互联网大厂却把重心收到底层能力，亲自下场做本体的越来越少。

腾讯是其中的代表。腾讯首席科学家、Robotics X实验室主任张正友对搜狐科技等媒体表示，腾讯更愿意做“安卓”而非“苹果”，做好机器人大脑，通过平台把能力开放给厂商，而不是重复造硬件。

WAIC期间，腾讯Robotics X联合福田实验室、腾讯混元发布了三大具身基座模型——Hy-Embodied-VLM-1.0、RxBrain-1.0、VLA-0.5，以及智能体Apexio、具身原生框架TairosAgent，并升级了Tairos具身智能开放平台。

在具身落地场景上，腾讯没有选择拥挤的工业机器人赛道，而是对养老场景有着自己的执着。腾讯已经连续两年在WAIC上展示了把机器人带进养老场景，今年的机器人小六展示的主要能力是中医按摩。

另一个变化是越来越多企业开始把焦点转向数据。多位具身企业负责人都对搜狐科技表示，高质量数据仍然是机器人泛化能力最大的瓶颈。相比语言模型可以依赖互联网文本持续训练，机器人需要面对的是真实世界中的物理交互，数据采集成本更高、效率更低，也更难标准化，这使得数据逐渐成为新的竞争焦点。

交流中，张正友尤其看重UMI数据。他认为，未来随着模型泛化能力不断提升，成本高、效率低的遥操作数据占比会逐渐下降，而兼顾效率与泛化能力的UMI数据，将成为具身智能训练的重要来源。

以下为本次对话精编：

媒体：今年腾讯提出了RxBrain，还提到"裂脑"、左右脑协同。相比现在主流VLA模型，到底最大的区别是什么？

张正友：去年我们的左右脑主要靠文本进行长程规划，把复杂任务拆解成一个个文字描述的子任务。今年RxBrain进一步把视觉加入到了认知过程中。现在每一个子任务不仅会告诉机器人下一步要做什么，还会预测完成这个子任务之后世界应该变成什么样，并用图像表达出来，而不仅仅是文字。这样执行过程中，可以同时利用语言和视觉共同指导动作。实验结果也证明，相比只有文本规划或者简单拼接模型，这种认知和想象结合的方式，任务成功率明显提升。

媒体：为什么腾讯认为分层协同架构，比单一端到端模型更适合具身智能？

张正友：真正的问题是不同能力运行频率不同。例如VLM推理速度比较慢，而机器人控制身体需要15Hz甚至更高频率，真正底层控制甚至要500Hz、1000Hz。所以我们的架构分成不同层：大脑负责认知和规划；中间负责实时决策；最底层负责快速身体反射。 这其实更接近人的神经系统。理论上，一个超级大的端到端模型当然也可以实现，但需要远超今天的数据规模。现阶段，更合理的方式仍然是分层协同。

媒体：为什么腾讯一直强调养老场景，而不是先做工业机器人？

张正友：因为养老是目前最难的场景。工业里抓一个箱子，力大一点小一点问题不大。但机器人扶老人、按摩老人，一旦力量控制不好，可能直接造成伤害。因此养老对视觉、触觉、力觉以及安全控制提出了最高要求。如果这些能力能够做好，再回到工业场景，反而会容易很多。所以我们一直坚持用最难的问题驱动技术发展。

媒体：为什么腾讯连续推出小五、小六，而且都围绕养老，不做人形机器人？

张正友：小五、小六都不是为了做养老机器人产品。我们的目标，是围绕养老这个最困难的场景，把触觉、力觉、安全控制等能力做出来，再沉淀到Tairos平台，赋能所有机器人厂商。今天很多VLA主要学习视觉到动作之间的映射，但真正的人机接触，没有触觉和力觉是不可能落地的。养老只是驱动技术研发的载体。

媒体：为什么您一直坚持关注养老？

张正友：不是因为我喜欢养老，而是因为它足够重要。从技术角度，它能够推动触觉、力觉、安全等关键能力的发展。从社会角度，中国老龄化越来越严重，护工也越来越老，年轻人越来越少。我希望更多资本进入养老机器人领域，因为这是一个真正值得长期投入的方向。

媒体：为什么腾讯明确表示不会做机器人硬件？

张正友：机器人未来一定会出现两种生态。一种像苹果，软硬件全部自己做。另一种更像安卓，底层机器人厂家负责硬件，我们提供通用智能平台。腾讯选择的是后者。中国机器人本体已经非常强，我们希望做好Tairos，把AI能力赋能给不同机器人厂商，而不是重复造机器人。

媒体：现在世界模型很热，腾讯怎么看？

张正友：目前行业对世界模型还没有统一定义。很多人认为世界模型就是理解世界、预测世界。我们今天发布的RxBrain，本质上已经具备了这样的能力。机器人不仅能够推理下一步，还能够预测完成任务之后世界会变成什么样，这实际上就是一种世界预测能力，也是世界模型的重要组成部分。

媒体：大家都说数据是具身智能最大的瓶颈，腾讯怎么看？

张正友：我们提出了"数据金字塔"。最底层是互联网视频；第二层是第一人称操作视频；第三层是UMI数据；最顶层才是遥操作数据。遥操作质量最高，但成本最高、效率最低。未来真正重要的是把四层数据全部打通，让互联网数据、第一视角数据、UMI数据共同发挥作用，而不是完全依赖遥操作。

媒体：为什么腾讯一直强调UMI，而不是遥操作？

张正友：我们不是数据采集公司，我们更关注什么样的数据真正能够帮助模型。UMI最大的优势是采集效率远高于遥操作，而且采集的数据可以直接迁移到机器人训练。它既能适配不同机器人，也能够直接用于后训练，所以效率会高很多。未来我们也会继续和数据公司合作，指导他们采集真正有价值的数据。

媒体：今年WAIC很多机器人看起来都差不多，会不会影响行业？

张正友：昨天我逛展也发现，同质化确实比较严重。无论机器人形态还是落地场景，都比较接近。但我认为这不是坏事。因为整个行业还处于寻找真正落地场景的阶段。大家都在尝试最有可能成功的方向。未来一定会经历大浪淘沙，但机器人行业不会因此停止发展。